Jul, 2024

一种基于原对偶在线学习方法的顺序展示互补商品动态定价问题

HTML
PDF
TL;DR我们解决了动态定价互补商品的复杂问题，通过使用在线学习工具，设计并实现了一个原始对偶在线优化算法，并通过与基准方法在各种配置下的性能比较，评估了我们的方法在违反约束和遗憾方面的表现。
发现论文，激发创造
  • 基于显式偏好的在线学习和利润最大化

    本文研究在在线学习中从揭示的偏好中学习的问题，提出了有效的算法用于商家的价格优化，通过强假设商品收益函数的形式，实现了揭示偏好问题的高效算法，并实现了学习和盈利最大化。

    Jul, 2014

  • 高维下的动态定价

    研究了一个销售大量产品的公司所面临的定价问题，提出了一种基于稀疏结构的动态策略，称为正则化最大似然定价，其能在log T的复杂度下最小化收益损失。

    Sep, 2016

  • 电商生鲜零售中的 Markdown：一种反事实预测和多期优化方法

    该论文提出了一种新的基于数据驱动和可解释的降价定价策略，使用半参数结构模型进行反事实预测和多期价格优化，并采用随机模型建立顺序定价策略。

    May, 2021

  • 贝叶斯劝服下的动态定价与学习

    该研究探讨在线广告和动态定价设计的问题，使用贝叶斯说服模型来研究信号对买家定价和购买决策的影响，提出了一种具有低后悔率的在线算法。

    Apr, 2023

  • 具有战略买家的情境动态定价

    个性化定价策略探讨了与策略性购买者的上下文动态定价问题, 并提出了一个战略动态定价策略，该策略能够最大化卖方的累积收入，并能同时估计估值参数和成本参数，从而达到O(sqrt(T))的遗憾上界。

    Jul, 2023

  • 动态定价和长期参考效应的学习

    在这篇研究论文中，我们研究了动态定价问题，其中客户对当前价格的反应受到客户的价格期望（参考价格）的影响。我们研究了一种简单而新颖的参考价格机制，其中参考价格是卖方过去所提供的价格的平均值。我们证明，在这种机制下，降价政策是近乎最优的，无论模型的参数如何。此外，我们提供了线性需求模型下近乎最优降价政策的详细特征描述，并提供了一种高效的计算方法。然后，我们考虑了一种更具挑战性的动态定价和学习问题，其中需求模型参数是先验未知的，卖方需要从客户对所提供价格的反应中在线学习这些参数，并同时优化收入。我们的目标是最小化遗憾，即与卓越最优政策相比，T轮收入损失。对于线性需求模型，我们提供了一个高效的学习算法，并得到了一个最优的Ο(√T)遗憾上界。

    Feb, 2024

  • 基于在线评论的贝叶斯动态定价

    当发布新产品时，企业面临市场接受程度的不确定性。在线评论不仅为消费者提供宝贵信息，也为企业提供了调整产品特性（包括售价）的机会。本文考虑了带有在线评论的定价模型，其中产品的质量不确定，卖方和买方通过贝叶斯方法更新信念以做出购买和定价决策。我们将卖方的定价问题建模为基本的赌博机问题，并展示了与著名的卡塔兰数之间的密切关系，使我们能够有效计算卖方的整体未来折扣奖励。利用这个工具，我们在产品质量的有效学习概率方面分析和比较了最优静态和动态定价策略。

    Apr, 2024

  • 基于后验抽样的时变需求收入管理学习

    本研究讨论了收益管理问题，通过定价商品或服务最大化收益。研究挑战之一是在真实应用中（如航空和零售行业）需求分布未知且随时间变化。为解决此问题，我们首先引入了一种基于典型应用场景的分段泛化收益管理问题，并提出了一种基于后验抽样的计算高效算法。我们推导了这种算法在需求参数可以在时间段之间相关的一般模型中的贝叶斯遗憾上界，同时推导了一种通用算法的遗憾下界。我们的实证研究表明，所提算法优于其他基准算法，并与事后最优策略具有可比性。我们还提出了所提算法的一种启发式修改，该修改在实验中进一步高效地学习定价策略。

    May, 2024

  • 上下文动态定价：算法、优化和局部差分隐私约束

    研究了上下文动态定价问题，探讨了需求模型、遗憾上限的最优化和隐私保护对动态定价的影响。

    Jun, 2024

  • 改进的上下文动态定价算法

    在此研究中，我们探讨了上下文动态定价的关键问题，提出了两种估值模型，并针对线性性假设和期望买家估值问题分别设计了算法，以实现较低的后悔率。

    Jun, 2024